**对比文件名称**：2006-05-26_WO2006054269A_发明申请_WO2006054269A2 SYSTEM AND METHOD FOR FALSE POSITIVE REDUCTION IN COMPUTER-AIDED DETECTION (CAD) USING A SUPPORT VECTOR MACHINE (SVM)
**目标专利名称**：将系统数据缩放集成到基于遗传算法的特征子集选择中的方法和装置 CN101501712B
**本次调用的模型名称**：GPT-4
### 特征比对表格
| 技术特征描述及公开性判断结果 | 对比文件原文引用（中文翻译） | 公开性论述 |
| **技术特征A：使用系统数据缩放方法** 《未公开》 | 对比文件无相关公开内容。 | 对比文件仅提及特征值归一化（scaling），但该归一化是针对特征值的数值范围调整，而非目标专利所述的“系统数据缩放方法”（即通过去除特定训练样本进行训练集选择）。本领域技术人员无法从对比文件直接或隐含得出该技术特征。 |
| **技术特征B：从一组训练案例中选择训练集** 《隐含公开》 | 段落20：“training a classifier on a set of medical image training data selected to include a number of true and false regions”（在包括一定数量真伪区域的一组医学图像训练数据上训练分类器）。 | 对比文件虽未明确描述“选择”步骤，但任何机器学习过程必然涉及训练数据集的选取。本领域技术人员根据对比文件公开的训练过程，可以合理推断出需要从一组训练案例中选择训练集，因此该特征被隐含公开。 |
| **技术特征C：使用分类方法** 《直接公开》 | 段落9：“classification by a SVM based on the optimized feature sub-set”（基于优化特征子集通过SVM进行分类）。 | 对比文件明确公开了使用支持向量机（SVM）作为分类方法，与技术特征C中的“分类方法”实质相同，因此直接公开。 |
| **技术特征D：基于所述训练集来创建分类器** 《直接公开》 | 段落16：“After the feature subset is determined, the sub-set is used to train the SVM”（在特征子集确定后，该子集用于训练SVM）。 | 对比文件清楚公开了利用训练集训练SVM以创建分类器，与技术特征D完全一致，因此直接公开。 |
| **技术特征E：其中所述系统数据缩放方法和所述分类方法产生所述分类器** 《未公开》 | 对比文件无相关公开内容。 | 对比文件未公开“系统数据缩放方法”，因此无法实现“系统数据缩放方法”与“分类方法”共同产生分类器的技术方案，该特征未被公开。 |
| **技术特征F：从而减少假阳性并提高分类准确性** 《直接公开》 | 段落7：“provide a false positive reduction system that accurately and reliably performs automatic detection … in such a way as to realize very good specificity and sensitivity (i.e., minimal false positives)”（提供一种准确可靠地执行自动检测的假阳性减少系统，以实现非常好的特异性和敏感性，即最小化假阳性）。 | 对比文件的核心目标就是减少假阳性并提高分类准确性，与技术特征F的作用相同，因此直接公开。 |
| **技术特征G：其中所述分类器从由支持向量机、神经网络和决策树组成的组中进行选择** 《直接公开》 | 段落9：“classification by a SVM based on the optimized feature sub-set”（基于优化特征子集通过SVM进行分类）；段落4：“SVM-based classifier”（基于SVM的分类器）。 | 对比文件明确公开了支持向量机（SVM）作为分类器，该分类器属于技术特征G所述组中的一种，因此直接公开。 |
| **技术特征H：译。（无具体技术内容）** | 无 | 该技术特征无具体限定内容，对比文件未公开任何对应方案。 |
| **技术特征I：所述方法进一步包括使用测试集对基于所述训练集由所述分类方法产生的所述分类器进行评价** 《直接公开》 | 段落19：“validation using leave-one-out and k-fold validation”（使用留一法和k折交叉验证进行验证）。 | 对比文件公开了利用测试集（或验证集）对分类器进行评价的步骤，与技术特征I实质相同，因此直接公开。 |
| **技术特征J：译。（无具体技术内容）** | 无 | 该技术特征无具体限定内容，对比文件未公开任何对应方案。 |
| **技术特征K：其中选择进一步包括从所述训练集中去除与真结节形成Tomek链的假结节** 《未公开》 | 对比文件无相关公开内容。 | 对比文件未提及“Tomek链”或任何基于Tomek链去除假结节的方法，该特征未被公开。 |
| **技术特征L：直到满足一个阈值** 《未公开》 | 对比文件无相关公开内容。 | 对比文件未公开任何关于阈值判断的描述，该特征未被公开。 |
| **技术特征M：译。（无具体技术内容）** | 无 | 该技术特征无具体限定内容，对比文件未公开任何对应方案。 |
| **技术特征N：其中相对于向下缩放因子x来确定所述阈值** 《未公开》 | 对比文件无相关公开内容。 | 对比文件未公开“向下缩放因子”或任何与缩放因子相关的阈值确定方法，该特征未被公开。 |
| **技术特征O：使得在系统数据缩放后留在所述训练集中的假结节的数量不超过所述训练集中的真结节的数量的x倍** 《未公开》 | 对比文件无相关公开内容。 | 对比文件未公开任何关于假结节数量与真结节数量倍数的约束关系，该特征未被公开。 |
| **技术特征P：译。（无具体技术内容）** | 无 | 该技术特征无具体限定内容，对比文件未公开任何对应方案。 |
| **技术特征Q：其中所述方法进一步包括利用该组训练案例或其子集来验证所述分类器** 《直接公开》 | 段落19：“validation using leave-one-out and k-fold validation”（使用留一法和k折交叉验证进行验证）。留一法利用训练案例子集（即每次留出一个样本作为测试集）进行验证。 | 对比文件公开了利用训练案例子集（如留一法）对分类器进行验证的步骤，与技术特征Q一致，因此直接公开。 |
| **技术特征R：译。（无具体技术内容）** | 无 | 该技术特征无具体限定内容，对比文件未公开任何对应方案。 |
### 公开性代码输出
<<<C>>><<<D>>><<<F>>><<<G>>><<<I>>><<<Q>>><<<b>>>